摘要：这项由清华大学李默、谭启泰、曹婷、刘云新教授团队以及独立研究者徐立恒共同完成的研究于2025年8月发表在arXiv预印本平台上（论文编号：arXiv:2508.04664v1）。有兴趣深入了解的读者可以通过https://arxiv.org/abs/2508.
这项由清华大学李默、谭启泰、曹婷、刘云新教授团队以及独立研究者徐立恒共同完成的研究于2025年8月发表在arXiv预印本平台上（论文编号：arXiv:2508.04664v1）。有兴趣深入了解的读者可以通过https://arxiv.org/abs/2508.04664访问完整论文。
当我们阅读一本厚厚的小说时，大脑会自动帮我们做一件神奇的事情：忽略不重要的细节，专注于关键情节。比如在看侦探小说时，我们会记住重要线索，但会自然地"忘记"某个配角穿什么颜色的衣服。然而，当前的大型语言模型（就像ChatGPT这样的AI助手）却做不到这一点——它们就像一个什么都记住但分不清重要性的人，被无关信息淹没，最终影响了思考质量。
清华大学的研究团队发现了一个有趣的现象：这些AI模型在处理长文本时会出现"主动干扰"问题，就像一个人在背诗时，前面背过的无关内容会影响后面重要内容的记忆。这种现象在心理学中被称为前摄干扰，简单来说就是旧信息会干扰新信息的学习和记忆。
为了解决这个问题，研究团队开发了一个名为"Sculptor"的创新框架，这个名字来源于雕塑家的工作方式。正如米开朗基罗面对一块大理石时，他不是往上添加材料，而是巧妙地削去多余部分，最终雕刻出完美的大卫像。Sculptor也是这样工作的：它不是给AI更多存储空间，而是教会AI主动管理自己的"工作记忆"，学会有选择性地关注重要信息，暂时搁置不相关的内容。
这项研究的创新之处在于，它首次为AI提供了类似人类认知的"主动遗忘"能力。通过一套精心设计的工具，AI可以像人类一样对信息进行分类整理、隐藏干扰内容、智能搜索相关信息，从而大大提高在复杂任务中的表现。实验结果显示，使用Sculptor工具的AI模型在处理复杂推理任务时表现显著提升，特别是在需要从大量信息中筛选关键内容的场景下。
一、AI的"记忆负担"：当完美记忆成为障碍
在日常生活中，我们经常会遇到这样的情况：朋友向你讲述一个复杂的故事，其中夹杂着许多无关紧要的细节。一个善于倾听的人会自然地抓住故事的主线，忽略那些琐碎的描述。但如果有人对每个细节都同等重视，反而可能错过故事的重点。
当前的大型语言模型面临的正是这样的困境。这些AI系统拥有惊人的记忆能力，能够记住输入文本中的每一个细节，但这种"完美记忆"有时反而成为了负担。研究团队通过大量实验发现，当AI需要处理非常长的文本时，早期出现的无关信息会严重干扰后续重要信息的处理，就像一个人在嘈杂环境中努力倾听重要对话一样困难。
这种现象被研究者称为"主动干扰"，它源于人类心理学中的一个经典概念。心理学家很早就发现，人们在学习新知识时，之前学过的相似但不相关的内容会干扰新知识的掌握。比如，如果你先学习了法语，再学习西班牙语时可能会受到法语语法的干扰。AI模型也面临着类似的挑战，只不过这种干扰发生在同一个对话过程中。
更具体地说，当AI模型处理一段很长的对话或文档时，它需要同时关注文本中的所有部分。但随着文本长度的增加，模型的注意力被分散到越来越多的内容上，导致真正重要的信息被"淹没"在信息海洋中。这就像在一个拥挤的会议室里，每个人都在说话，你很难听清楚真正重要的发言内容。
研究团队通过精密的实验验证了这一现象。他们设计了专门的测试任务，让AI模型处理包含大量无关信息的长文本，然后测试模型对关键信息的理解和记忆能力。结果显示，随着无关信息的增加，即使是最先进的AI模型也会出现明显的性能下降。这种下降不是因为模型缺乏足够的存储容量，而是因为无关信息的干扰影响了模型的推理过程。
传统的解决方案主要集中在两个方向：一是扩大模型的上下文窗口，让模型能够处理更长的文本；二是开发外部记忆系统，将部分信息存储在模型外部。但这些方案都没有解决根本问题——如何让AI学会区分重要信息和无关信息，如何主动管理自己的认知资源。
研究团队认识到，真正的解决方案应该模仿人类的认知机制：不是被动地接收所有信息，而是主动地筛选、组织和管理信息。就像一个优秀的图书管理员，不仅要知道所有书的位置，更要知道如何快速找到读者需要的特定书籍，同时将暂时不需要的书籍整理到合适的位置。
二、雕塑家的艺术：Sculptor框架的设计哲学
米开朗基罗曾经说过："雕塑就是去除多余的部分。"这句话完美诠释了Sculptor框架的核心理念。传统的AI增强方法就像在雕塑上不断添加材料，希望通过堆砌来解决问题。而Sculptor则采用了完全相反的思路：通过精心的"削减"和"重组"，帮助AI发现信息中的精华部分。
Sculptor框架的设计灵感来自对人类认知过程的深入观察。当一个人面对复杂任务时，大脑会自动启动多种认知策略：将复杂问题分解成小块、暂时搁置不相关的信息、在需要时快速检索相关记忆、重新组织思维结构。这些策略的共同特点是"主动性"——人类不是被动地接收信息，而是主动地管理和调节自己的认知过程。
基于这一理念，研究团队为AI设计了一套完整的"认知工具箱"。这个工具箱包含三大类工具，每一类都对应人类认知的不同方面。这就像为一个厨师准备不同的厨具：切菜刀用于分解食材，调味料用于增强风味，储存容器用于保存半成品。每种工具都有特定的功能，但配合使用时能够创造出远超单独使用的效果。
第一类工具专门负责"信息分解"，就像将一本厚重的百科全书分成若干章节。当AI面对一段很长的对话或文档时，这类工具可以帮助AI将内容按照逻辑结构划分成更小的片段，每个片段都有独特的标识符，便于后续的管理和引用。这种分解不是机械的文本切割，而是基于内容语义的智能分组，确保相关信息被保持在同一个片段中。
第二类工具负责"动态记忆管理"，这是Sculptor框架的核心创新。这类工具让AI具备了类似人类的"有选择性注意"能力。当某些信息暂时不重要时，AI可以将其"折叠"起来，减少对当前思考过程的干扰，但这些信息并没有被删除，随时可以"展开"查看。同时，AI还可以对重要片段生成简洁的摘要，既保留关键信息又减少认知负担。更重要的是，这个过程是完全可逆的——AI可以在任何时候恢复原始内容，确保没有信息永久丢失。
第三类工具专注于"智能检索"，就像为AI配备了一个高效的个人助理。当AI需要某个特定信息时，不需要重新阅读整个对话历史，而是可以通过精确或语义搜索快速定位相关内容。这种搜索不仅仅是关键词匹配，还包括对内容含义的深层理解，能够找到在表达上不同但在意义上相关的信息。
整个框架的运作过程就像一位经验丰富的编辑在处理复杂稿件：首先将长篇内容分解成逻辑清晰的段落，然后识别每个段落的重要程度，将核心内容突出显示，将次要内容暂时隐藏，当需要引用或核实某个细节时，又能快速定位到相关位置。这种工作方式不仅提高了效率，更重要的是保持了思维的清晰性和连贯性。
研究团队特别注重框架的实用性和通用性。Sculptor并不需要对现有的AI模型进行复杂的重新训练，而是作为一套外挂工具来增强模型的能力。这就像给汽车加装GPS导航系统一样，不需要重新设计发动机，但能显著提升驾驶体验。这种设计使得Sculptor可以轻松地应用到各种不同的AI模型上，具有很强的普适性。
三、工具箱详解：让AI学会"断舍离"的艺术
Sculptor的工具设计遵循了一个重要原则：简单而强大。就像瑞士军刀虽然体积小巧，但每个工具都经过精心设计，能够应对各种不同的需求。研究团队开发的八个核心工具看似数量不多，但通过巧妙的组合可以处理各种复杂的信息管理任务。
信息分解工具就像一把精准的手术刀，能够将冗长复杂的对话内容切分成逻辑清晰的片段。这个过程并不是简单的字数分割，而是基于内容语义的智能划分。工具会分析文本的结构和含义，识别自然的分界点，比如话题转换、时间节点、逻辑关系的变化等。每个生成的片段都会获得一个独特的六位字符标识符，就像给每个房间编号一样，方便后续的精确引用和管理。
摘要生成工具承担着"信息精炼师"的角色。当AI识别出某个片段包含重要信息但内容过于冗长时，这个工具可以自动生成简洁而准确的摘要。这种摘要不是机械的文本压缩，而是基于深度理解的内容提炼，保留了原文的核心思想和关键细节，但以更加简洁的形式呈现。更重要的是，这个过程是完全可逆的——AI可以随时将摘要还原为原始内容，确保信息的完整性。
内容隐藏工具是Sculptor框架的一个巧妙创新。当某个片段在当前任务中不重要时，AI可以将其"折叠"起来，在对话界面中只显示一个简洁的占位符和字符统计，就像将杂乱的文件整理到文件夹中一样。这种处理方式既减少了视觉干扰，又保留了内容的存在提示，让AI知道这里还有信息可以随时展开查看。
内容展开工具与隐藏工具配对使用，提供了灵活的信息访问机制。当AI在推理过程中发现需要某个被隐藏的片段时，可以立即将其展开，就像从文件夹中取出需要的文档一样便捷。这种设计让AI可以根据任务需求动态调整可见信息的范围，真正实现了"需要时显示，不需要时隐藏"的理想状态。
完整恢复工具提供了一个"安全网"功能。无论AI进行了多么复杂的信息重组操作，这个工具都能一键将整个对话恢复到最初的完整状态。这就像电脑软件中的"撤销"功能，给用户提供了试错的空间，让AI可以大胆地尝试不同的信息组织方式，而不用担心操作失误导致信息丢失。
智能搜索工具是信息检索的多面手。它不仅支持精确的关键词匹配，还具备语义理解能力，能够找到在表达方式上不同但在含义上相关的内容。比如，当AI搜索"快乐"时，它也能找到"开心"、"愉悦"等相关表达。这种智能搜索大大提高了信息检索的效率和准确性，就像拥有了一个既理解字面意思又懂得言外之意的私人助理。
搜索结果详情工具进一步增强了检索功能。当搜索找到相关信息时，AI不仅能看到匹配的内容片段，还能获取周围的上下文信息，确保理解的完整性和准确性。这就像在图书馆找书时，不仅能定位到具体页码，还能看到前后几页的内容，获得更完整的信息背景。
这些工具的设计还考虑了一个重要的技术细节：搜索结果会被自动添加到对话的末尾位置。这种设计巧妙地解决了"迷失在中间"的问题——研究发现，AI模型对出现在文本开头和结尾的信息处理效果最好，而对埋藏在中间的信息容易忽略。通过将重要的搜索结果放在最后，Sculptor确保了这些信息能够得到AI的充分关注。
四、从理论到实践：让AI学会使用认知工具
拥有了精心设计的工具只是成功的一半，另一半的挑战在于如何让AI学会合适地使用这些工具。这就像给一个人提供了完整的厨房用具，但如果不知道什么时候用什么工具，仍然做不出美味的菜肴。研究团队为此设计了两种不同的训练策略，既考虑了当前技术的现实约束，也为未来的发展留下了空间。
第一种策略是"零样本工具调用"，充分利用了当前先进AI模型已有的工具使用能力。现代大型语言模型在训练过程中已经学会了如何理解和使用各种工具，这种能力可以很好地迁移到Sculptor的认知工具上。就像一个会使用智能手机的人，面对一个新的手机应用时，虽然界面不同，但基本的操作逻辑是相通的，很快就能上手使用。
在这种方法中，研究团队为每个工具编写了详细而清晰的说明文档，就像产品使用手册一样。这些说明不仅解释了工具的功能，还提供了使用场景和操作示例。当AI面对复杂任务时，它会根据当前情况分析哪些工具最有用，然后按照说明文档的指引来执行相应操作。
为了确保AI积极使用这些工具，研究团队在多轮对话的第一轮中设置了"强制工具使用"的机制。这就像在驾驶培训中，教练会要求学员在每个路口都检查后视镜一样，通过强制练习来培养良好的使用习惯。一旦AI养成了主动使用工具的习惯，后续的对话中就会自然地根据需要选择合适的工具。
第二种策略是"多轮强化学习训练"，这是一个更加雄心勃勃的长期方案。在这种方法中，AI不仅要学会使用工具，还要学会在什么时候、以什么顺序、用什么参数来使用工具。这就像培养一个厨师，不仅要教会他使用各种厨具，还要让他理解什么时候该用什么火候、什么时候该添加调料、如何根据食材的状态调整烹饪方法。
强化学习的核心思想是通过奖励和惩罚来引导AI的行为。当AI使用工具后的表现有所改善时，系统会给予正面反馈；当工具使用不当导致性能下降时，系统会提供负面反馈。通过大量的试验和反馈，AI逐渐学会了最优的工具使用策略。
这种训练方法的优势在于能够发现人类预想不到的工具组合和使用模式。就像AlphaGo在围棋中发现了许多人类从未考虑过的精妙走法一样，经过强化学习训练的AI可能会找到更高效、更创新的信息管理策略。
然而，强化学习训练也面临着一些挑战。首先是计算成本较高，需要大量的训练时间和计算资源。其次是奖励函数的设计需要非常谨慎，如果设计不当可能会导致AI学会一些看似有效但实际上有害的策略。因此，这种方法目前还在实验阶段，研究团队正在持续改进相关技术。
无论采用哪种训练策略，Sculptor框架的一个重要特点是不需要对现有AI模型进行根本性的修改。这种"即插即用"的设计大大降低了技术门槛，使得更多的研究者和开发者可以轻松地试验和应用这些认知工具。就像给汽车加装一个新的电子设备一样，不需要重新设计发动机，但能显著提升整体性能。
五、实战检验：在信息迷宫中找到出路
为了验证Sculptor框架的实际效果，研究团队设计了一系列精心构造的测试任务。这些测试就像为AI设计的"认知体能训练"，专门针对信息管理和推理能力的各个方面进行全面评估。测试的设计原则是既要有足够的挑战性来暴露现有AI的不足，又要足够公平来准确衡量改进效果。
第一个重要测试是PI-LLM基准测试，专门用来检验AI处理"主动干扰"问题的能力。这个测试的设计非常巧妙：它模拟了一个不断更新的信息环境，就像一个忙碌的办公室里，各种通知和更新信息不断涌入。AI需要在这种环境中跟踪多个关键指标的最新值，比如某个项目的进度、某个指标的数值等。随着时间推移，旧信息会被新信息替代，AI必须学会"遗忘"过时的信息，专注于最新的状态。
在这个测试中，研究团队设置了不同的难度级别，从简单的2次更新到复杂的256次更新，同时也变化了需要跟踪的信息类型数量，从较短的文本到很长的文档。这种多维度的测试设计确保了评估结果的全面性和可靠性。就像体能测试会包括短跑、长跑、举重等不同项目一样，这种综合测试能够更准确地反映AI的整体能力。
第二个关键测试是NeedleBench多针推理任务，这个名字形象地描述了任务的本质：在信息的"草垛"中寻找多个"针"，并且要理解这些"针"之间的关系。具体来说，AI需要在一个很长的文档中找到多个相关的信息片段，然后基于这些片段进行推理得出结论。这就像侦探需要在大量证据中找到关键线索，并且将这些线索串联起来破解案件一样。
这个测试的难度在于，相关信息被故意分散在文档的不同位置，中间夹杂着大量无关信息。AI不仅要能找到所有相关信息，还要在找到后记住它们，最后将它们有机地结合起来进行推理。随着需要寻找的"针"的数量增加，任务难度呈指数级上升，对AI的信息管理和推理能力提出了极高要求。
实验结果令人鼓舞。在PI-LLM测试中，Claude-4-Sonnet模型在使用Sculptor工具后，整体表现提升了2.62个百分点，而GPT-4.1的提升更为显著，达到了5.54个百分点。这种提升看似不大，但在AI领域，几个百分点的改进往往代表着显著的技术突破，就像奥运会上零点几秒的提升可能意味着金牌和银牌的差别。
更令人印象深刻的是在NeedleBench测试中的表现。Claude-4-Sonnet在使用Sculptor工具后，整体表现提升了27个百分点，在最困难的5针任务中，准确率从36%跃升到90%。这种戏剧性的改进表明，主动信息管理对于复杂推理任务具有决定性的影响。
有趣的是，不同的任务类型触发了不同的工具使用模式。在PI-LLM测试中，AI主要使用信息分解和内容隐藏工具来"雕刻掉"干扰信息；而在NeedleBench测试中，AI更多地依赖智能搜索工具来快速定位相关内容。这种自适应的工具选择体现了框架设计的灵活性和AI学习能力的强大。
当然，实验也揭示了一些限制和挑战。DeepSeek-V3模型在PI-LLM测试中的表现有所下降，这表明不是所有AI模型都能同等地受益于这些工具。有时候AI会过度使用某些工具，比如将重要信息也隐藏起来，导致后续任务失败。这就像一个过度整理房间的人，可能会把重要文件也收拾到找不到的地方。
这些发现为未来的研究指明了方向：需要开发更智能的工具使用策略，让AI能够更准确地判断什么时候使用什么工具。同时，也需要针对不同类型的AI模型优化工具的设计，确保更广泛的适用性。
六、突破与局限：技术革新的两面性
Sculptor框架虽然在多个测试中表现出色，但研究团队对其局限性保持着清醒的认识。任何技术创新都有其适用边界和潜在代价，Sculptor也不例外。理解这些局限性不仅有助于更好地应用这项技术，也为未来的改进指明了方向。
最显著的挑战来自计算效率方面。当AI使用Sculptor工具重新组织信息时，实际上改变了输入文本的结构，这会影响到现有AI系统中的一个重要优化机制——KV缓存。这就像重新装修房间后，原来摆放整齐的家具位置都发生了变化，需要重新适应新的布局。
KV缓存是现代AI系统提高计算效率的关键技术，它通过保存之前计算的结果来避免重复计算。但当文本结构发生变化时，这些缓存就失效了，系统需要重新进行计算。这就像一个熟悉某条路线的司机，如果道路施工改变了路况，就需要重新规划路线和适应新的交通模式。
这种计算开销在某些情况下可能会抵消Sculptor带来的性能提升。特别是在需要频繁使用工具的场景中，额外的计算成本可能会显著增加系统的响应时间和资源消耗。这是一个需要在功能增强和效率优化之间找到平衡点的典型工程问题。
另一个重要局限是当前AI模型对工具使用的掌握程度。虽然现代大型语言模型具有一定的工具调用能力，但这种能力主要是通过在其他领域的工具使用训练中获得的，并非专门针对认知管理工具设计。这就像让一个会使用传统工具的工匠去操作现代化设备，虽然基本原理相通，但在具体操作上仍需要时间适应和练习。
实验中观察到的一些"过度工具使用"现象就反映了这个问题。有时AI会错误地隐藏重要信息或过度分解内容，导致信息碎片化。这种现象类似于初学者使用新软件时容易犯的错误——知道有这个功能，但不知道什么时候用最合适。
工具的学习曲线也是一个需要考虑的因素。不同的AI模型对工具使用的理解能力差异较大，有些模型能够快速掌握并灵活运用，而有些模型则需要更多的指导和练习。这种差异性使得Sculptor的应用需要针对不同模型进行个性化调整，增加了实际部署的复杂性。
然而，这些局限性并非不可克服的障碍，而是技术发展过程中的自然阶段。研究团队已经在探索多种解决方案。在计算效率方面，他们正在开发更智能的缓存策略，能够在文本结构变化时仍然保留部分可用的计算结果。这就像设计一种模块化的家具系统，即使房间布局改变，某些家具组合仍然可以继续使用。
在工具使用优化方面，强化学习训练提供了很有前景的解决路径。通过大量的实践和反馈，AI可以逐步掌握更精确的工具使用时机和方法。就像一个厨师通过不断练习掌握火候和调料的使用一样，AI也可以通过训练获得更好的工具使用直觉。
研究团队还在探索架构层面的改进，希望能够设计出对上下文变化更加友好的AI模型架构。这种新架构能够更高效地处理动态变化的输入，减少重组操作的计算开销。
值得注意的是，尽管存在这些局限性，Sculptor已经展现出了显著的实用价值。在信息密度较低、干扰较多的任务中，其带来的性能提升远远超过了额外的计算成本。这表明，对于特定类型的应用场景，这项技术已经具备了实际部署的价值。
七、未来展望：认知增强的新征程
Sculptor框架的成功不仅解决了当前AI面临的具体技术问题，更重要的是开启了一个全新的研究方向：AI认知管理。这个领域的发展潜力巨大，可能会彻底改变我们对人工智能能力边界的认识，就像当初互联网的出现改变了信息传播的方式一样。
从技术发展的角度来看，Sculptor只是认知管理工具的早期尝试。未来的发展可能会带来更加精巧和强大的认知工具。研究团队设想了一种"自适应认知管理器"，它不仅能够根据任务需求选择合适的工具，还能根据用户的思维习惯和偏好定制个性化的信息管理策略。这就像为每个人配备一个专属的认知助手，深度了解个人的工作方式和思维模式。
在强化学习的推动下，未来的AI可能会发现人类从未想到的信息管理策略。就像AlphaGo发现了围棋中的新战术一样，AI可能会创造出全新的认知模式，这些模式甚至可能启发人类改善自己的思维方式。这种"认知策略的双向启发"可能会成为人工智能研究中一个激动人心的新领域。
从应用前景来看，认知管理技术的影响将远远超出当前的AI助手应用。在教育领域，这种技术可以帮助创建更智能的学习系统，能够根据学生的学习进度和理解程度动态调整教学内容的呈现方式，就像一个无比耐心且洞察力敏锐的老师。
在医疗领域，认知管理技术可以帮助AI更好地处理复杂的病历信息，在诊断过程中自动筛选相关症状和检查结果，减少信息过载对医疗决策的干扰。这可能会显著提高AI辅助诊断的准确性和可靠性。
在法律和咨询行业，这种技术可以帮助AI更有效地处理海量的文档和案例资料，在复杂的法律分析中保持思路清晰，避免被无关细节分散注意力。这将大大提升AI在专业服务领域的实用价值。
更具前瞻性的是，认知管理技术可能会推动AI向真正的"认知智能"方向发展。目前的AI主要表现为"感知智能"和"计算智能"，而认知智能涉及更高层次的思维能力，包括抽象思考、创意生成、复杂推理等。Sculptor框架展示的主动信息管理能力可能是实现认知智能的重要基础能力之一。
从更广阔的视角来看，这项研究还触及了一个深刻的哲学问题：什么是真正的智能？传统的AI研究更多关注如何让机器模仿人类的行为，而Sculptor提出了一个不同的视角——如何让机器具备类似人类的认知管理能力。这种能力的本质是"选择性关注"和"主动遗忘"，这可能是智能的核心特征之一。
研究团队也意识到，随着这项技术的发展，需要考虑相关的伦理和社会影响。当AI具备了更强的信息筛选和管理能力时，如何确保这种能力被正确使用？如何避免AI因为过度筛选而错过重要信息？这些问题需要技术界、学术界和社会各界共同探讨和解决。
从产业化角度来看，认知管理技术具有广阔的商业应用前景。随着企业和组织面临越来越多的信息管理挑战，能够帮助AI更智能地处理信息的技术将具有巨大的市场价值。这可能会催生出一个全新的技术服务市场，专门为不同行业提供定制化的认知管理解决方案。
说到底，Sculptor框架虽然解决了AI处理长文本时的具体问题，但它的意义远远超出了技术本身。它代表了AI研究思路的一次重要转变：从单纯追求更大的计算能力和存储容量，转向关注如何让AI更智能地管理和使用信息资源。这种转变可能会引领AI技术进入一个全新的发展阶段。
归根结底，这项研究告诉我们，真正的智能不在于记住所有信息，而在于知道什么时候记住什么、什么时候忘记什么。通过赋予AI这种"智能遗忘"的能力，我们不仅解决了当前的技术难题，更重要的是为创造真正具备认知智能的AI系统奠定了基础。未来的AI可能会像人类一样，既有强大的学习能力，也有明智的遗忘艺术，在信息的海洋中游刃有余地航行。感兴趣的读者如果想深入了解技术细节和实验数据，可以访问完整论文获取更多信息。
Q&A
Q1：Sculptor框架是什么？它能解决AI的什么问题？
A：Sculptor是清华大学团队开发的AI认知管理框架，主要解决大型语言模型在处理长文本时的"主动干扰"问题。就像人类会自动忽略无关信息专注重点一样，Sculptor教会AI主动管理工作记忆，通过分解、隐藏、搜索等工具来筛选和组织信息，避免被无关内容干扰推理过程，显著提升复杂任务的表现。
Q2：Sculptor工具如何工作？普通用户能使用吗？
A：Sculptor包含8个认知工具，分为三类：信息分解工具将长文本切分成片段，记忆管理工具可以隐藏/显示/摘要内容，搜索工具能快速定位相关信息。目前主要面向AI研究者和开发者，通过工具调用接口集成到现有AI模型中，不需要重新训练模型。普通用户暂时无法直接使用，但未来可能会集成到AI助手产品中。
Q3：这项技术有什么局限性？会增加计算成本吗？
A：Sculptor确实存在一些局限。主要是会增加计算成本，因为重组文本结构会影响AI系统的缓存机制，需要重新计算。另外，不同AI模型对工具的掌握程度不同，有时会出现过度使用工具导致重要信息被错误隐藏的情况。不过研究团队正在开发更智能的缓存策略和强化学习训练来解决这些问题。
来源：至顶网
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
